추천 시스템을 위한 반거리 네트워크

초록

사용자와 아이템 간 동시 발생 정보를 그래프로 변환하면 거리 삼각 부등식이 깨지는 반거리 구조가 나타난다. 본 논문은 이러한 반거리 특성을 활용해 아이템 간 유사도를 재구성하고, 반거리 엣지를 선택적으로 강화한 추천 알고리즘을 제안한다. 제안 방법을 Movielens 데이터셋에 적용해 기존의 사용자 기반·아이템 기반 협업 필터링과 비교했을 때 정확도와 다양성에서 우수한 성능을 보였다.

상세 분석

본 연구는 먼저 사용자‑아이템 행렬을 기반으로 co‑occurrence 가중치를 계산하고, 이를 비대칭적 거리 행렬로 변환한다. 전통적인 메트릭 그래프와 달리, 이 거리 행렬은 삼각 부등식이 위배되는 반거리(semi‑metric) 특성을 보이며, 이는 “직접 연결된 두 노드 사이의 거리보다 중간 노드를 거쳐 간접 경로가 더 짧다”는 현상으로 나타난다. 이러한 반거리 엣지는 실제 사용자 선호의 숨은 연관성을 포착할 가능성이 높다.

논문은 반거리 현상을 정량화하기 위해 “반거리 비율”(semi‑metric ratio)이라는 지표를 도입한다. 이 비율은 직접 거리와 최소 간접 거리의 비로 정의되며, 값이 클수록 해당 엣지는 강한 반거리 특성을 가진다. 저자들은 이 비율이 특정 임계값을 초과하는 엣지만을 선택적으로 보강함으로써 그래프의 전이 폐쇄(transitive closure)를 수행한다. 전이 폐쇄는 퍼지 그래프 이론에서의 t‑norm 연산과 유사하게 동작하며, 선택된 반거리 엣지를 통해 새로운 간접 유사도가 생성된다.

추천 단계에서는 강화된 그래프에서 목표 아이템과 연결된 가중치를 집계해 상위 N개의 아이템을 후보로 선정한다. 여기서 중요한 점은 반거리 엣지를 포함함으로써 기존 협업 필터링이 놓치기 쉬운 장거리 관계를 드러낸다는 것이다. 실험에서는 Movielens 1M 데이터를 사용했으며, 평가 지표로는 RMSE, MAE, Precision@K, Recall@K, 그리고 다양성(diversity) 지표를 적용했다. 결과는 반거리 엣지를 10 %~20 % 정도 포함했을 때 가장 높은 정확도와 다양성을 달성했으며, 특히 희소성이 높은 사용자에 대해 기존 방법보다 월등히 좋은 성능을 보였다.

또한, 반거리 네트워크의 구조적 특성을 분석한 결과, 전체 그래프의 평균 클러스터링 계수가 증가하고, 평균 경로 길이가 감소함을 확인했다. 이는 반거리 엣지가 네트워크를 보다 촘촘히 연결시켜 정보 흐름을 원활하게 만든다는 것을 의미한다. 저자들은 이러한 특성이 추천 시스템에서 “새로운 아이템 탐색”과 “사용자 취향 확장”에 기여한다고 주장한다.

마지막으로 논문은 반거리 기반 접근법의 한계도 언급한다. 반거리 비율의 임계값 설정이 데이터셋마다 다를 수 있으며, 과도한 반거리 엣지 포함은 노이즈를 증폭시켜 오히려 성능을 저하시킬 위험이 있다. 따라서 향후 연구에서는 자동화된 임계값 최적화와 동적 그래프 업데이트 메커니즘을 도입할 필요가 있다.